文本强化：多模态时间序列预测
计算与语言
2025-09-03 v1
摘要
近期研究在时间序列预测（TSF）中采用多模态输入，如文本和历史时间序列数据，以预测未来值。这些研究主要聚焦于开发先进技术，将文本信息与时间序列数据集成以完成该任务并取得优异结果。同时，这些方法依赖于高质量的文本和时间序列输入，而在某些情况下，文本并未准确或完整地捕获历史时间序列所携带的信息，这会导致多模态 TSF 的表现不稳定。因此，有必要增强文本内容以提高多模态 TSF 的性能。本文提出通过强化文本模态来改进多模态 TSF。我们提出一种文本强化模型（TeR），以生成弥补原始文本弱点的强化文本，然后将其应用于支持多模态 TSF 模型对时间序列的理解，从而提高 TSF 性能。为引导 TeR 产生更高质量的强化文本，我们设计了一种强化学习方法，基于每项强化文本对多模态 TSF 模型性能影响以及与 TSF 任务相关性来分配奖励。我们据此优化 TeR，以提高生成强化文本的质量并增强 TSF 性能。在覆盖various领域的真实世界基准数据集上进行大量实验表明，我们方法的有效性，超过了强基线和现有研究。
引用
@article{arxiv.2509.00687,
title = {Text Reinforcement for Multimodal Time Series Forecasting},
author = {Chen Su and Yuanhe Tian and Yan Song and Yongdong Zhang},
journal= {arXiv preprint arXiv:2509.00687},
year = {2025}
}